식생 피복과 지형 기복이 큰 지역에서 드론 영상 점군과 3차원 레이저 점군의 밀도 차이, 공간 분포 불균일 및 특징이 불명확한 현상을 해결하기 위해 점군 데이터의 핵심 경사면 특징을 강화하는 샘플 일관성 초기 정합(Sample Consensus Initial Alignment, SAC-IA)과 반복 최단점(Iterative Closest Point, ICP) 조합 정합 알고리즘을 제안하였다. 먼저, 두 원본 점군 데이터를 각각 전처리하고, 랜덤 샘플 합의(Random Sample Consensus, RANSAC) 알고리즘을 기반으로 전처리 후 특징이 약한 점군 영역을 적합하여 점군의 면 특성을 강화하고 여러 핵심 경사면을 구축하였다. 이후 SAC-IA와 ICP 알고리즘을 조합하여 두 원본 점군을 정합하고, 중복 및 겹치는 점을 제거하여 두 소스 점군의 융합을 실현하였다. 마지막으로 점차적인 삼각 불규칙 네트워크 필터링(Progressive Triangulated Irregular Network, PTIN) 알고리즘을 선택하여 융합된 점군에서 지면점을 추출하고, 역거리 가중법(Inverse Distance Weighted, IDW) 알고리즘을 이용하여 3차원 지형을 재구성하고 디지털 고도 모델(Digital Elevation Model, DEM)을 생성하였다. 실측 데이터를 활용한 검증 결과 본 알고리즘을 적용한 정합 후 점군 데이터 정확도(평균 제곱근 오차값)가 기존 SAC-IA와 ICP 조합 알고리즘 대비 3.325 m 감소하였으며, 융합 점군 데이터로 재구성한 DEM 점 위치 정확도(평균 절대 오차 및 평균 제곱근 오차로 표시)는 각각 0.18 m와 0.14 m 감소하였다. 본 알고리즘으로 생성된 DEM은 1:500 축척 국가 규격 요구사항을 충족하며, DEM은 지형 세부 특성을 보다 잘 반영한다.

랜덤 샘플 합의;경사면 적합;점군 정합;디지털 고도 모델;3차원 재구성